阈值分割的基本原理

前言：想要写出一篇令人眼前一亮的文章吗？我们特意为您整理了5篇阈值分割的基本原理范文，相信会为您的写作带来帮助，发现更多的写作思路和灵感。

阈值分割的基本原理范文第1篇

关键词：遗传算法；肝脏CT图像；图像分割；阈值

中图分类号：TP391文献标识码：A文章编号：1009-3044(2011)04-0864-02

Research on Liver CT Image Segmentation Based on Genetic Algorithm

KONG Xiao-rong1, SHI Yan-xin2, LIU Peng1

(1.Department of Computer Technology，Inner Mongolia Medical College, Huhhot 010059; 2.Department of Mathematics and Physics, Xi'an Technology University, Xi'an 710032, China)

Abstract: Genetic Algorithm (GA) is a global optimization and random search algorithm based on natural selection and genetic mechanism. It is suited to dealing with the tradition searching algorithms which cannot solve difficult and complicated problem. And it have great potentialities. First, this paper discusses fundamental principle and primary features of Genetic Algorithm. And it emphases on image segmentation based on GA. Then applying genetic algorithm to select theproper threshold, and it uses maximum entropy method to process liver CT images by segmentation methods. It obtains the results by segmentation experimentation and analyses the results.

Key words: genetic algorithm; liver CT images; image segmentation; threshold value

遗传算法(Genetic Algorithm, GA)的基本思想来源于Darwin的生物进化论和Mendel的群体遗传学，该算法最早是由美国Michigan大学的John Holland教授于20世纪70年代创建，之后，遗传算法的研究引起了国际组织及学者的关注。遗传算法通过模拟生物的遗传进化过程形成一种全局优化概率搜索算法，提供了一种求解复杂系统优化问题的通用框架，可以不依赖于问题的具体领域[1]。近年来，遗传算法已被广泛应用于函数优化、组合优化、生产调度、自动控制、人工智能、人工生命、机器学习、图像处理和模式识别等多个领域，具有巨大的发展潜力。本文主要介绍遗传算法在医学图像处理方面的应用。

1 遗传算法的基本原理

遗传算法是模拟生物进化和遗传机制发展起来的一种全局优化、随机、自适应搜索算法。它模拟了自然界遗传过程中的繁殖、和变异现象，依据适者生存、优胜劣汰的进化原则，利用遗传算子（即选择、交叉和变异）逐代产生优选个体（候选解），最终搜索到适合的个体。

遗传算法的运算对象是由N个个体所组成的集合，称为群体。遗传算法的运算过程是一个群体反复迭代的过程，这个群体不断地经过遗传和进化操作，每次按照优胜劣汰的进化原则将适应度较高的个体以更高的概率遗传到下一代，这样最终在群体中将会得到一个优良的个体，它将达到或接近于问题的最优解[2]。

遗传算法的求解步骤如下：

1）编码：定义搜索空间解的表示到遗传空间解的表示的映射，两个空间的解需一一对应且编码尽量简明。遗传算法把问题的解也称为个体或染色体，个体通常由字符串表示，字符串的每一位称为遗传因子，多个个体形成一个种群。

2）初始化种群 随机产生N个个体组成一个种群，此种群代表一些可能解的集合。GA 的任务是从这些群体出发，模拟进化过程进行优胜劣汰，最后得出优秀的种群和个体，满足优化的要求。

3）设计适应度函数：将种群中的每个个体解码成适合于计算机适应度函数的形式，并计算其适应度。

4）选择：按一定概率从当前群体中选出优良个体，作为双亲用于繁殖后代，一些优良的个体遗传到下一代群体中，适应度越高，则选择概率越大。进行选择的原则是适应性强的优良个体将有更多繁殖后代的机会，从而使优良特性得以遗传。选择是遗传算法的关键，它体现了适者生存原则。

5）交叉：交叉操作是遗传算法中最主要的遗传操作。对于选中的用于繁殖的每一对个体，随机选择两个用于繁殖下一代的个体的相同位置，在选中的位置实行交换。交叉体现了信息交换的思想。

6）变异：从群体中选择一个个体，对于选中的个体按一定的概率随机选择改变串结构数据中某个串的值，即对某个串中的基因按突变概率进行翻转。变异模拟了生物进化过程中的偶然基因突变现象，遗传算法中变异发生的概率很低。对产生的新一代群体进行重新评价、选择、杂交和变异。

7）终止准则：如此循环往复，使群体中最优个体的适应度和平均适应度不断提高，直至最优个体的适应度满足某一性能指标或规定的遗传代数，迭代过程收敛，算法结束。

2 遗传算法在图像分割处理中的应用

在图像处理中，图像分割是图像三维重建的基础，常用的分割方法包括阈值法、边缘检测法和区域跟踪法，其中阈值法是最常用的方法[3]。图像阈值分割算法是利用图像中目标物体与背景灰度上的差异，根据图像灰度值的分布特性把图像分为不同灰度级的目标区域和背景区域，目前已有模糊集法、共生矩阵法、四元树法、最大类间方差法、最佳直方图熵法、最小误差阈值法等多种阈值分割方法。

遗传算法在图像分割中的作用是：帮助现存的图像分割算法在参数空间内搜索参数，或者在候选的分隔空间内搜索最优的分隔方案[3]。在参数空间内搜索参数主要是指利用遗传算法的全局搜索特性优化现有的阈值分割算法，用于帮助确定最佳分割阈值。

3 基于遗传算法的肝脏CT图像分割

本文基于遗传算法选取阈值，采用最大熵原则对肝脏CT图像进行分割。目的是将图像的灰度直方图分成两个或多个独立的类，使得各类熵的总量最大，根据信息论，这样选择的阈值能获得的信息量最大[4]。在图像的灰度直方图中设定一个灰度阈值，可以把图像分成背景和物体两类区域，这是一般的单阈值选择的情况，而设定N个阈值，可以把图像分成N+1类区域[4]。

最大熵分割方法步骤为：

用p0,p1,…,pn表示灰度级的概率分布，如果把阈值设置在灰度级s，将获得两个概率分布，一个包含1到s间的灰度级，另一个包含s+1到n间的灰度级，这两个分布如下：

其中，与每一个分布相关的熵为：

令: (4)

当该函数取最大值时即为图像的最佳分割，用此函数作为遗传算法中的适应度函数。通过遗传算法的设计步骤，取得最佳阈值，既而对人体肝脏中有病灶组织的CT图像进行分割，得到下面分割处理实验结果。

(a) 原图 (b) 分割结果(c)原图 (d) 分割结果

图1 对有病灶肝脏图像进行分割

通过实验结果可以看到，基于遗传算法采用最大熵原则，对人体肝脏CT图像进行分割，能够使选取的阈值获得的信息量比较大，从而原始图像和分割图像之间的信息量差异最小。因此分割后的图像效果明显，具有一定的优势[5]。

但由于医学图像的复杂性和人体的差异性，对人体同一器官不同状况的图像，无法找出一种最为适合的分割方法处理，必须根据具体情况具体分析，针对图像的特点来选取相应的分割算法，才能较好地解决问题。

参考文献：

[1] 田莹,苑玮琦.遗传算法在图像处理中的应用[J].中国图象图形学报,2007,12(3):389-396.

[2] Hsieh puted Tomography Principle, Design, Artifacts and Recent Advances（中文翻译版）[M].北京:科学出版社,2006.

[3] 徐丹霞,郭圣文,吴效明,等. 肝脏CT图像分割技术研究进展[J].医疗卫生装备,2009,30(3):34-36.

阈值分割的基本原理范文第2篇

关键词:图像分割;阈值分割;直方图

中图分类号:TP317文献标识码:A 文章编号:1009-3044(2010)08-1944-03

Research of Image Segmentation Algorithms

BU Tao-tao, LU Chao

(Department of Physics, Shanxi University of Technology, Hanzhong 723000, China)

Abstract: Image segmentation is a digital image processing, one of the key technologies to study the edge detection and threshold segmentation method to achieve image segmentation. Summarized a variety of segmentation algorithms, including the minimum value method, derivation, histogram transform method, iterative method, averaging method, large law and edge detection method.

Key words: image segmentation; threshold segmentation; histogram

图像分割是将图像中有意义的特征部分提取出来,包括图像中的边缘、区域等。图像分割是数字图像处理中的关键技术之一,并得到了广泛的重视、研究和应用,图像分割的技术和算法种类繁多,是计算机视觉领域的一个经典难题,人们至今仍在不断探索新的分割理论与分割算法。

1 图像分割方法

图像分割的方法和种类有很多,有些分割运算可直接应用于任何图像,而另一些只能适用于特殊类别的图像。分割结果的好坏需要根据具体的场合及要求衡量。图像分割是从图像处理到图像分析的关键步骤,图像分割结果的好坏直接影响对图像的理解。分割算法基本可以分为两大类:边缘检测和阈值分割。

1.1 边缘检测

边缘是指图像中灰度发生急剧变化的区域。图像灰度的变化情况可以用灰度分布的梯度来反映,给定连续图像f(x,y),其方向导数在边缘法线方向上取得局部最大值。图像的边缘是指图像局部区域亮度变化显著的部分,该区域的灰度剖面可以看作是一个阶跃,既从一个灰度值在很小的缓冲区域内急剧变化到另一个灰度相差较大的灰度值。图像的边缘部分集中了图像的大部分信息,边缘检测主要是图像的灰度变化的度量、检测和定位。图像边缘检测的基本步骤如下:

1)滤波。边缘检测主要基于导数计算,受噪声影响,但是滤波器在降低噪声的同时也导致边缘强度的损失。

2)增强。增强算法将邻域中灰度有显著变化的点突出显示,常通过计算梯度幅值完成。

3)检测。有些图像中梯度幅值较大的并不是边缘点。常用的边缘检测是梯度幅值阈值判定。

4)定位。精确确定边缘的位置。

边缘检测常用的算子有梯度算子Roberts, Sobel, Prewitt;Laplace算子;二阶导数过零点算子;canny算子等。

1.2 阈值分割

阈值分割法是一种基于区域的图像分割技术,其基本原理是通过设定不同的特征阈值,把图像像素点分为若干类。常用的特征包括:直接来自原始图像的灰度或彩色特征;由原始灰度或彩色值变换得到的特征。阈值分割法是将灰度图像变为二值图像以达到分割目的的方法,它是一种并行区域法。其过程是决定一个灰度值,用以区分不同的类,这个灰度值就叫做“阈值”,把灰度值大于阈值的所有像素归为一类,小于阈值的所有像素归为另一类。阈值法是一种简单但是非常有效的方法,特别是不同物体或结构之间的有很大的强度对比时,能够得到很好的效果。阈值分割实现简单、计算量小、性能较稳定,已被应用于很多的领域。

2 图像分割算法

对灰度图像,基于各像素值的阈值是仅考虑各像素本身灰度值而确定的,因而算法一般较简单,但抗噪声能力不强。所确定的阈值(对多阈值分割是阈值序列)作用于整幅图像的每个像素,因而对目标和背景的灰度有梯度变化的图像效果较差。

图像的灰度直方图是图像各像素灰度值的一种统计度量。许多常用的阈值选取方法就是根据直方图来进行的。根据对图像模型的描述,如果对双峰直方图选取两峰之间的谷所对应的灰度值作为阈值就可以将目标和背景分开。谷的选取有许多方法,下面介绍几种算法。

2.1 极小值法

极小值法原理:图像由前景和背景组成,在灰度直方图上,前后二景都形成高峰,在双峰之间的最低谷处就是图像的阈值所在。如果将直方图的包络看作是一条直线,则选取直方图的谷可借助求曲线极小值的方法。设用h(z)代表直方图,那么极小值点就应同时满足:h(z0)

其中σ为高斯函数的标准差。

极小值点法实现简单、计算量小,而且只产生一个阈值,但是它必须准确算出双峰的位置,而且要保证不能有毛刺的存在。而且具体图像要用的高斯滤波器系数不同,系数选取又不当分割后的效果将很不理想。

2.2 求导法

求导法是改进了的极小值法,它也是求极小点,不同的是它不是通过比较的方法,而是通过求导的方法找阈值。设用g(z)代表直方图,那么最小点应同时满足:

导数使用gradient指令,一阶导数P=gradient(g),二阶也就是Q=gradient(P),那么在图像灰度范围1到256内寻找满足条件P=0 and Q>0的点,可以得到Z0阈值点。理论上一阶导数应该是0,但是实际中通常由于毛刺的存在,一阶导数是不为零的,而是无限趋近于零,因而给程序设计带来不便。可以让一阶导数P取大些,计算出的阈值个数增加了,要对比的图像也多了,但是却可以找到合适的阈值,通过调整P可以来调节计算出的阈值的个数。编程时我先设定P

求导法是也受图像毛刺的影响,毛刺会使图像产生很多满足P的点,使计算出的阈值更多而且远离理想阈值点。因而要使图像平滑,必然要滤除掉毛刺。可以通过高斯滤波,滤波系数可以设为定值。

求导法实现起来比较简单,计算量小,性能比较稳定,分割结果也较理想,但是由于它需要人工的比对,花费大量的时间才能算出理想的结果。

2.3 平均法

平均法原理简单,基于对称的理论。先统计出大于零的总的像素个数P,然后设定条件:从1开始到某一点大于零的总的像素个数为Q(Z),一旦Q(Z)>P/2就停止运算,计算出的这一点就是阈值点Z0。优点是程序设计简单,运算量小,运行也稳定,缺点是它是根据直方图对称的原理计算的阈值,因而当基本对称时分割效果最好,而普遍效果一般。

2.4 直方图变换法

直方图变换法,是利用一些像素领域的局部性质变换原始的直方图为一个新的直方图。这个新的直方图与原始直方图相比,或者峰之间的谷底更深,或者谷转变成峰从而更易于检测。这里的像素领域局部性质,在很多方法中经常用的是像素的梯度值。例如,由于目标区的像素具有一定的一致性和相关性,因此梯度值应该较小,背景区也类似。而边界区域或者噪声,就具有较大的梯度值。利用直方图变换方法,根据梯度值加权,梯度值小的像素权加大,梯度值大的像素权减小。这样,就可以使直方图的双峰更加突起,谷底更加凹陷。

直方图变换法是通过对直方图进行变换找到直方图的谷,然后进行分割的。相比其它程序比较复杂,但可靠性高。

2.5 边缘检测法

边缘是图像的特征之一,通过分离边缘就可以实现对图像的分割,流程图如图1所示。边缘检测是用各种算子模版与图像作卷积运算实现,边缘检测的结果往往离提取图像信息的要求还很远。

实现边缘检测的算子很多,各种算子对边缘的提取效果也不同,从效果来看,canny效果比较好,但是边缘检测只能为人们提供不完整的边缘信息,不是人类所要获取的信息,还要进行处理。

2.6 迭带法

迭代法是基于逼近的思想,其步骤如下:

1)求出图像的最大灰度值和最小灰度值,分别记为ZMAX和ZMIN,令初始阈值T0=(ZMAX+ZMIN)/2;

2)根据阈值TK将图像分割为前景和背景,分别求出两者的平均灰度值ZO和ZB;

3)求出新阈值TK+1=(ZO+ZB)/2;

4)若TK=TK+1,则所得即为阈值;否则转2),迭代计算。

具体实现时,首先根据初始开关函数将输入图逐个图像分为前景和背景,在第一遍对图像扫描结束后,平均两个积分器的值以确定一个阈值。用这个阈值控制开关再次将输入图分为前景和背景,并用做新的开关函数。如此反复迭带直到开关函数不在发生变化,此时得到的前景和背景即为最终分割结果。迭代所得的阈值分割的图像效果良好。基于迭代的阈值能区分出图像的前景和背景的主要区域所在,但在图像的细微处还没有很好的区分度。对某些特定图像,微小数据的变化却会引起分割效果的巨大改变,两者的数据只是稍有变化,但分割效果却反差极大。对于直方图双峰明显,谷底较深的图像,迭代方法可以较快地获得满意结果,但是对于直方图双峰不明显,或图像目标和背景比例差异悬殊,迭代法所选取的阈值不如其它方法。

2.7 大津法

图像记t为前景与背景的分割阈值,前景点数占图像比例为w0,平均灰度为u0;背景点数占图像比例为w1,平均灰度为u1,则图像的总平均灰度为:u=w0*u0+w1*u1。从最小灰度值到最大灰度值遍历t,当t使得值g=w0*(u0-u)2+w1*(u1-u)2最大时t即为分割的最佳阈值。

大津法可作如下理解:该式实际上就是类间方差值,阈值t分割出的前景和背景两部分构成了整幅图像,而前景取值u0,概率为w0,背景取值u1,概率为w1,总均值为u,根据方差的定义即得该式。因方差是灰度分布均匀性的一种度量,方差值越大,说明构成图像的两部分差别越大,当部分目标错分为背景或部分背景错分为目标都会导致两部分差别变小,因此使类间方差最大的分割意味着错分概率最小。直接应用大津法计算量较大,因此在实现时采用了等价的公式g=w0*w1*(u0-u1)2。在测试中发现,大津法选取出来的阈值非常理想,表现较为良好。虽然它在很多情况下都不是最佳的分割,但分割质量通常都有一定的保障,可以说是最稳定的分割。

3 结束语

介绍了多种图像分割的方法,原理不同,分割的结果也各异,为我门进一步对图像分割评价和获取信息提供了重要依据。极值法、求导法都是直接对直方图研究,而直方图变换法则是通过变换直方图,使求谷值转换为极大值的方法;迭代法和大律法则是通过类间方差公式的不同变换形式来计算阈值;平均法是通过理想情况来类比寻一般情况求取阈值。

参考文献:

[1] Barrera J,Tomita N S,Silva F S C,et al."Automatic Programming of Binary Morphological Machines by PAC Learning"[C].SPIE,Proceedings Neural,Morphological and Stochastic Methods in Image and Signal Processing,1995.

[2] Hirata N S T ,Barrera J,Terada R."Text Segmentation by Automatically Designed Morphological Operators"[C]."Proc. Of SIBGRAPI'2000",Gramado,Brazil,October,2000.

[3] 卢超.基于熵的多点脉搏传感器信息融合方法[J].佳木斯大学学报:自然科学版,2009(5).

[4] 刘斌,欧宗瑛,等.一种序列切片图像的快速自动分割方法[J].武汉大学学报:信息科学版,2009(5).

[5] 卢超.单片机同PC机通信的一种新方法[J].矿山机械,2007(4).

[6] 黄长专,王彪,杨忠.图像分割方法研究[J].计算机技术与发展,2009,(6).

[7] 卢超.基于PC机与单片机分布式温度采集系统的设计[J].仪表技术与传感器,2007(6).

阈值分割的基本原理范文第3篇

关键词：缺陷检测；Blob；Canny；模板匹配；差影

中图分类号：TP18 文献标识码：A 文章编号：1009-3044（2012）28-6775-04

半导体电子元器件被广泛应用于各类电子产品和通信系统中，它的外观质量主要取决于封装这一工艺技术。良好的封装可以保护芯片或晶体管少受外界环境的影响，因此封装后的元器件可以得到更加可靠的电气性能，当然也更加方便后续的PCB板上的焊接和贴装[1]。对半导体器件的视觉检测主要包括管脚检测和管体检测。随着计算机技术和图像处理技术的结合和发展，机器视觉被广泛应用于半导体行业的各阶段在线检测中。利用机器视觉[2]进行检测不仅可以排除主观因素的干扰，降低劳动强度，提高生产效率，还可以对缺陷进行定量描述，具有人工肉眼检测无法比拟的优越性。

1 检测系统概要

在线半导体表面缺陷检测系统[3]主要由PC机、图像处理软件、图像采集设备、光源照明部分以及IO控制装置和机械装置组成。其中图像采集由CCD、镜头、图像采集卡和光源共同完成，高质量的图像信息是系统正确判断和决策的原始依据，是整个系统成功与否的关键所在。

图1 缺陷检测系统结构

系统采用定位槽对器件进行准确定位，定位槽的底部有一个通气孔，下面连接一个真空吸气装置，机器手将管子放入凹槽，在吸气装置的作用下管子沿着凹槽四周的导向斜面滑入槽底部。确保了获取到的图像中三极管拥有正确的位姿。

2 基于边缘的位姿检测

硬件系统采用了定位模具保证管子的位姿，但管子在凹槽内仍不可避免的存在轻微的倾斜和旋转，采用边缘点检测拟合边缘线的方法寻找管子矩形，根据矩形的中心位置和旋转角度来对准参考图像与目标图像。

实现图像的边缘点检测就是用离散化梯度逼近函数计算每一个像素位置的梯度值和梯度方向，满足阈值要求和方向要求的灰度跃变位置即为边缘点。现实情况的边缘都是斜坡性边缘，这就使得边缘检测的首要工作是滤波。对比Sobel算子，Log算子，Canny算子各自的优缺点[4]后本文采用Canny算子寻找边缘点。

边缘点检测之前，划定检测的感兴趣区域，这里使用的感兴趣区域是一条方向线段，规定边缘点的检测方向是从线段的起点到终点。本文的图像处理需要用到的边缘点检测目的主要是在限定区域检测满足梯度阈值及方向的点，方向即从亮到暗或从暗到亮。判断方向时需要兼顾检测方向的影响。检测方向不同，x向、y向的一阶偏导对于判断明暗变化的影响比重也不同，因此给出如下的判断表达式：

3 缺陷检测

3.1 基于差影的双模板匹配法

用于缺陷检测的模板匹配技术常用的有两种：差影法和灰度相关法。差影法的基本原理是将待检测图像与模板图像做像素差，对得到的差值图像进行判断是否存在缺陷及缺陷大小和位置；灰度相关法则是计算待检测图像与模板图像对应像素间的相似度，根据相似度的大小确定缺陷所在。两种方法相比较，由于灰度相关法算法时间复杂度明显高于差影法，对于在线检测对实时性的要求，显然不可取，本文所述缺陷检测思想仍然沿用差影法的基本原理。

在以下的论述中规定[gr，c]代表理想图像，即无缺陷的图像，也称为参考图像。[fr，c]代表待检测图像。[r，?c]代表像素坐标。

为检测出待测图像与理想图像的偏差，仅需要将两幅图像的对应像素相减即可。通常并不关心缺陷是偏亮区域还是偏暗区域，因此通过预先设置阈值[gabs]使用以下的等式便可找到缺陷。

此方法对图像对准有非常高的精度要求。如果物体发生略微的偏移。那么在待测图像与模板图像的边缘便会很容易产生超过[gabs]的灰度值差异，误检缺陷在所难免。另外受到周围环境光线变化的影响，该方法也不能给予任何应对策略。然而在实际的生产应用中，这些因素都是无法避免的，针对以上存在的问题，本了以下的工作。

改进的匹配方法使用偏差模型[5]学习双模板[6][g1r，c]和[g2r，c]，其中[g1r，c]作为下限模板，[g2r，c]作为上限模板。下限模板由参考图像与容许偏差的差值确定，上限模板则由参考图像与容许偏差的和值确定。容许偏差可以从一组训练图像中计算得到。一般使用标准偏差来计算需要的容许偏差。另外，为了增强抗干扰和抑制噪声的能力，参考图像也不再简单的使用某一幅理想图像简单获取，也应该从一组训练图像中计算像素均值得到。n幅图像的平均值和标准差计算如下：

这里还需引入可调倍数常量[p]，[q]和可调绝对常量[a]，[b]。一般情况由一个小的可调倍数乘以标准差即得到所需的容许偏差，用户只需合理设置[p]，[q]值调节容许偏差。然而当标准偏差大大小于被测图像偏差时，这样的方法就显得很不好，因此引入绝对常量，当某处容许偏差小于绝对常量时，使用绝对常量值替代容许偏差值。

考虑到环境光线变化的影响，引入环境光因子[θ]，在对模板与待测图像做减法比较之前，计算待测图像像素均值[m0]和模板图像均值[m1]，[m0]和[m1]的比例关系即代表[θ]，令模板图像的每一个像素乘以环境光因子[θ]，可有效抑制环境光带来的不稳定图像质量造成的缺陷误检，以下给出了图像分割公式：

3.2 缺陷提取

图像的几何特征在图像处理中起着十分重要的作用。利用区域特征的大小、位置、方向等来确定物体的位置并识别它们。特征值量度的合理选取可以有效地减小误检率。本文采用Blob算法提取已经分割的缺陷特征。Blob算法用于从背景中分离目标，测量目标的形态参数，包括面积、周长、宽度、高度、细长度、数量等。与基于逐点像素处理的算法相比，该算法处理速度快，被广泛应用于工业在线检测系统中。

尽管上述处理方法已经在抑制噪声方面做了很多工作，但分割后的图像仍可能存在伪缺陷，因此通过设置特征阈值来抑制缺陷误检，如宽度阈值、高度阈值、面积阈值、周长阈值，当检测的Blob对象分别满足各方面的阈值要求时，则认为是缺陷，否则被判定为噪声点。

4 缺陷检测系统实现

硬件环境如下，相机：SONY XC-HR50；镜头：50mm；曝光时间：5ms

软件环境如下：基于OpenCV的VC++编程实现

检测目标：SOD323半导体器件的塑封表面缺陷检测

硬件系统采用了定位模具保证了待测元件有较精确的定位，每幅图像中，器件的位置只有细微的偏差。因此，检测开始之前根据模具的位置划定感兴趣区域。这种方法称之为图像局部分析法。

使用该方法的必要性主要体现在两个方面：

1） 本系统用于在线工业检测系统，同时用于三个工位的实时检测，要求每个工位的检测时间不得超过50ms，在硬件上采用四核处理器的计算机，软件上采用多核多线程编程技术，采用局部分析法可以大大的减少图像数据量，有效地降低图像处理时间。

2） 待测器件表面塑封材料微小颗粒分布的不均匀性以及环境光造成的光线不均匀都会影响成像质量。图像中目标边缘幅度大小不一，甚至非边缘幅度比边缘更大，这些因素都需要尽量回避，局部分析法将检测区域尽量缩小，干扰量也得以大大减少。

如图2所示，其中带箭头的虚线线段分别代表上下左右四个感兴趣区域内边缘点的寻找方向，如Top区域，表示从下到上搜寻边缘点。十字叉则代表搜寻到的边缘点。

图2 边缘检测示意图

利用OpenCV提供的方法cvFitLine将搜寻到的边缘点分别拟合为四条边缘线，图中管体矩形框已经标出，计算矩形的中心位置和旋转角度用于后续的参考模板与目标图像的对准。对该矩形区域进行平滑图像处理后计算该区域图像的灰度平均值，得到环境光因子。对准模板和目标图像，逐一比较像素灰度值，如果灰度值不在两个模板的阈值范围内则被认为缺陷。

5 结论

综上所述，通过对传统的缺陷检测算法的分析和运用，利用模具和边缘定位获取到物体可靠位姿，缩小了在线检测范围，有效提高了检测效率。结合半导体器件的塑封缺陷特征，采用双模板匹配法，有效的抑制了噪声和环境光对缺陷识别的影响。

参考文献：

[1] 张素娟，李海岸.新型塑封器件开封方法以及封装缺陷[J]，半导体技术，2006，31（7）：509-511.

[2] 贾云得.机器视觉[M].北京：科学出版社，2000.

[3] 郑秀莲，袁巧玲，沈亚琦.基于图像处理的电子元器件表面缺陷检测技术[J]，机电工程，2009，26（7）：15.

[4] 徐临洪，张桂梅，陈少平.基于机器视觉的发动机表面缺陷检测技术[J]，计算机与现代化，2010，176（4）：157.

阈值分割的基本原理范文第4篇

医学图像处理教学需要课堂教授，更需要加强实践性教学环节[2-3]，但由于课时和实验条件的限制，传统授课有时难以达到教学要求，而虚拟实验则可弥补这方面的局限[4]：通过将Matlab仿真技术与GUI界面设计引入到教学中，开发可视化的医学图像处理虚拟实验平台，既取得理想的教学效果，也可培养医学生的自主学习能力、独立思考能力和综合应用能力[5]。医学生通过图像处理仿真熟悉各种医学图像处理方法的原理，并通过调整参数，了解参数变化对医学图像处理效果的影响。

1 实验平台的结构

医学图像处理虚拟实验平台的设计思想是结合医学图像处理的基本理论，通过虚拟实验的方法强化医学图像处理的基本思想与核心概念，为医学生的理解和应用提供帮助[6]。

通过GUI界面，医学生可选择任意感兴趣的项目或教师指定的项目进行仿真实验[7]。实验平台还提供医学图像处理相关课件、图像处理Matlab编程的教学视频、仿真实验指导书、拓展实验题等资料，医学生可利用GUI界面随时调入进行自学。

同时，实验平台还提供脑肿瘤fmri处理示例，此示例选取于临床影像三维显示的实际应用，帮助医学生了解如何将自己所学的图像处理知识应用到工作实践中，从而提高医学生的综合素质。

根据教学计划的要求，医学图像处理虚拟实验平台包含医学图像处理教学内容中所有典型的实验项目，具体内容如下：

（1）图像插值实验。主要分析最近邻插值（Nearest Interpolation）、双线性插值（Bilinear Interpolation）和双三次插值（Bicubic Interpolation）的原理[8]和Matlab编码。

（2）图像锐化实验。主要分析Roberts算子、Prewitt算子和Sobel算子的原理和Matlab编码，并且比较每种边缘检测算法对应的6个结果，包括原图、直接梯度输出图像、门槛判断图像、边缘规定图像、背景规定图像和二值图像。

（3）图像去噪实验。主要分析均值滤波、中值滤波、维纳滤波等图像平滑处理算法[9]的原理和Matlab编码。

（4）图像融合实验。主要分析像素灰度值极大/极小融合法、加权平均融合法、傅里叶变换法的原理[10]和Matlab编码。

（5）图像分割实验。主要分析全局阈值法、大津阈值法、迭代法、最大熵分割法和局部阈值法等图像分割方法[11]的原理和Matlab编码。

（6）头动校正实验。主要研究投影法[12]配准技术的原理与Matlab编码，并且展示投影法头动校正后的效果。

（7）三维可视化实验。主要研究基于体绘制的三维重建算法[13]原理与Matlab编码。

例如，在图像去噪实验中，加入噪声的参数可由用户自己输入。针对噪声图像，医学生可以选用不同的平滑算法，自行设置模板参数，进行图像去噪处理。通过观察加噪效果及比较各种平滑处理算法处理后的结果，医学生对平滑算法处理的针对性、参数取值范围和实验结果都会比较熟悉，从而达到教学目的（具体操作过程见第3部分）。

2 实验平台的设计

使用Matlab图形用户界面开发环境（Matlab Graphical User Interface Development Environment，GUIDE）创建GUI图形界面是常用创建Matlab GUI的方法，该方法简单易学，能方便实现图形控件的各种功能。医学图像处理虚拟实验平台的GUI界面主要包括虚拟实验平台主界面、课件界面、实验名称界面、各实验项目界面、教学视频界面、脑肿瘤fmri处理示例界面等。

医学图像处理虚拟实验平台主界面的主要控件为7个按钮（Push Button）。按钮有多个功能，如函数的调入、界面之间的跳转等。将所需控件移入GUI界面，再对各控件按照程序要求进行属性编辑，修改完成后，点击GUI界面工具栏中的运行按钮，即可运行设计完成的GUI界面，Matlab系统会自动生成相应的M文件。

设计实验平台时，考虑到医学图像处理的理论知识较多，同时考虑到医学生自学的要求，将课件与教学视频按照由易到难的顺序排列。按照教学要求，设置7项医学图像处理实验，而每个实验都有实验目的、实验原理、实验内容、实验结果与分析等项目，因此设置成实验目的、实验原理、实验内容、实验结果与分析和返回5个按钮，以图像去噪实验为例。

通过“实验结果与分析”按钮就可进入仿真界面，进行仿真分析，如图1所示。选取相应的文件，输入相应的参数，点击对应按钮，即可对图片进行加噪去噪处理，并能直接观察比较处理结果。

为培养医学生应用所学图像处理知识的能力，实验平台设计脑肿瘤fmri处理示例板块。其内容是对脑部fmri原始数据进行预处理、放大、图像分割、体重建等操作，对脑部进行三维可视化[14]。脑部MRI图像的三维显示就是指利用一系列的二维脑部MRI图像重建三维图像模型并进行定性定量分析的技术。通过三维重建可以科学、准确地重建出被检物体，避免传统方法中临床医生通过自己大?X想象的不确定因素[15]。医学生只有亲自对脑部fmri原始数据进行读入、预处理、分割、重建等操作才能得到如图2所示的脑部轮廓三维图，从而初步认识自己所学图像处理技能的组合应用，明确医学图像处理对临床诊断与治疗规划的意义，达到学以致用的效果。

3 仿真实例分析

每个实验项目都提供仿真演示示例。以图像去噪实验为例，如图3所示。首先加入方差为0.02的高斯噪声，修改完参数后，点击加入噪声按钮就能得到噪声图像，如果均值参数修改为除0以外的任何数，则不会显示任何图像。然后针对生成的噪声图像，对其进行中值滤波处理、均值滤波处理和维纳滤波处理。每次进行处理前，都需要输入模板尺寸，模板尺寸越大，去噪效果越明显，但是图像丢失信息也会更加严重。医学生可通过反复修改模板尺寸，比对每次处理结果，选出最佳的模板参数。进行三种滤波处理后，医学生可根据三种滤波处理后的结果来总结每种滤波处理的特点与效果。最后，医学生如果有学习或者校验代码的需要，可以点开对应的主要代码查看按钮进行代码查看。

4 虚拟实验平台的使用与评价

医学图像处理虚拟实验平台的Matlab文件编译完毕后，生成的可执行文件需要Matlab运行环境的支持，如果要将此软件到其他没有Matlab运行环境的机器，还需要进行一项工作，即打包Matlab组件运行环境（Matlab Component Runtime，MCR）[16]。建议采用专业的安装包制作软件Setup Factory将MCR与软件一起打包，设置代码使得安装包解压完毕后，自动安装MCR。安装完成后，点击编译的Matlab可执行程序，即可运行医学图像处理虚拟实验平台。

经过医学图像处理选修课投入使用后，医学生的学习积极性显著提高。除课堂授课外，大多数医学生在课后通过虚拟实验平台进行理论自学和题目自测，使得总体考核成绩明显上升，教学质量显著提高。

阈值分割的基本原理范文第5篇

【关键词】细胞分割；分割算法；比较分析

Survey：the research method of cells segmentation algorithm

Chen Aibin，Jiang Xia

（Central South University of Forestry & Technology，College of Computer Science，Hunan Changsha 410004，China）

Abstract：With the development of modern technology，computer processing cells plays an important role in medical diagnostics and medical image processing.Cell division is cellular feature extraction and recognition foundation.Segmentation of accurate medical images is challenging task from the cell image.Automatic identification of the cells produced a study of the demand for effective segmentation.people made a different image segmentation algorithms based on different characteristics，such as the threshold，a watershed algorithm.In this paper，various methods of cell division system analysis，and detail the advantages and disadvantages of each methods.

Key words：cell division；segmentation algorithm；comparative analysis

1.引言

图像分割是根据图像的某些特征或特征相似的集合，对图像进行分组聚类，把图像分成若干个特定的，有意义的区域并提取出感兴趣的目标技术和过程。它使图像高级处理阶段的图像分析和图像识别等处理过程的数据量大大减少，并保留图像结构的重要信息。细胞分割的精度对细胞分割有重要作用，它的好坏直接影响细胞分析。细胞分割到今天仍没有取得圆满成功的几个重要原因是：（1）细胞图像很复杂，不仅有白血细胞、红细胞和血小板还有其它东西，而且根据白细胞的成熟程度不同可以分为20多种不同的类别。（2）细胞图像经常受染色不均匀，光照不一致的影响，导致灰度值发生变化。（3）细胞图像经常重叠，没有明显的边界。（4）细胞的大小变化很大，细胞核的形状各种各样。这些使得细胞分割是一个困难和富有挑战的任务。所以，我们有必要针对医学图像这个领域对细胞图像分割方法进行研究。本文对细胞分割的各种方法进行系统分析。

2.常用的图像分割方法

为了解决医学图像细胞分割的难题，多年来许多研究人员做了大量的工作，研究出了很多有用的分割方法。随着阈值分割，活动轮廓，边缘检测和形态学等方法在图像分割中广泛应用，活动轮廓，多光谱等新出现的算法也不断的用于解决细胞分割的问题，国内外学者针对一些具体应用的医学图像分割提出了不少好的分割方法。

2.1 基于阈值分割的方法

阈值分割法是一种基于区域的图像分割技术，其基本原理是：通过设定不同的特征阈值，把图像象素点分为若干类。常用的特征包括：直接来自原始图像的灰度或彩色特征；由原始灰度或彩色值变换得到的特征。阈值选取方法有多种，如Mode法、Otsu法、熵方法、P-tile法和最小误差法等。由于阈值分割算法原理简单，计算量比较小，但它依赖阈值的选择，广泛的应用于早期的细胞分割。在目标和背景差异比较大的图像可以用全局阈值，柯行斌，王汝传[1]在已经经过预处理的图像上用全局阈值分割白血细胞，发现比匹配法分割的效果好一些。而细胞的胞浆和背景相差不大，因此用单一的阈值分割很难取得很好的效果。王任挥[2]提出用最大信息熵原理来确定多阈值分割彩色细胞，能基本区分细胞的细胞核、细胞浆及背景区域，但不能得到清晰的细胞轮廓。由于多阈值一般是设置两个值，而细胞图像一般比较复杂，很难得到明显的双峰的直方图，这就需要设置局部阈值。局部阈值分割法是将原始图像划分成较小的图像，并对每个子图像选取相应的阈值。自适应阈值可以根据特征不同产生不同的合适的阈值，因此适合分割处理大多数图像。马保国，乔玲玲[3]提出的自适应阈值分割，先对图像各像素进行梯度计算，然后局部用最大类间方差法分割。这种算法对有噪声的白血细胞图像也能取得一定的效果。下列图1对四个图的细胞对比阈值分割的效果。总的来说，阈值分割只考虑灰度信息没有考虑空间信息，不适用于多通道图像，也不适用于特征值相差不大的图像，并且对噪声和灰度不均匀敏感。

2.2 分水岭分割

分水岭分割方法，是一种基于拓扑理论的数学形态学的分割方法，其基本思想是把图像看作是测地学上的拓扑地貌，图像中每一点像素的灰度值表示该点的海拔高度，每一个局部极小值及其影响区域称为集水盆，而集水盆的边界则形成分水岭。分水岭的概念和形成可以通过模拟浸入过程来说明。在每一个局部极小值表面，刺穿一个小孔，然后把整个模型慢慢浸入水中，随着浸入的加深，每一个局部极小值的影响域慢慢向外扩展，在两个集水盆汇合处构筑大坝，即形成分水岭。在细胞处理过程中，由于设备或人为原因，有时候会出现细胞粘连程度分布不均匀的情况，这样分割起来很困难，分水岭算法经常用于处理这类问题。丁宏和王泽提出用先对细胞图像用距离变换和对种子点改进，再用分水岭算法分割，如果种子定位精确的情况下，粘连的细胞分割能取得很好的效果。分水岭算法直观，快速，可以并行处理并具有分割精度高的优点。但用分水岭方法进行图像分割时，容易造成图像的过度分割而且对噪声特别敏感。一般都通过对图像进行预处理和区域合并的改进来抑制图像过分分割。谢文娟[4]等提出采用形态学基本运算，运用交替序贯滤波对白血细胞图像进行滤波处理，然后采用多尺度形态梯度代替形态学梯度。利用开重建细胞图像，减少极小值标记点，减少过分割产生的区域。通过对白血细胞预处理的改进，有效的解决噪音引起的白血细胞过分分割。包振健，邸书灵[5]提出一种混合的分水岭策略来分割骨髓细胞图像，它是用标记的形态学重建和基于区域相似度的区域合并算法来克服分水岭对标记点敏感的缺点。针对分水岭算法的缺点并结合自身的研究需求，许多学者提出4种方法对其进行改进，预处理滤波，这个主要是在预处理消除图像噪声，标记、区域合并和其它方法，后面这三种方法主要是针对过分分割这一优点进行改进。图2为标记分水岭算法实验效果。

2.3 基于模糊理论算法分割

有些分割方法很容易产生过分分割，如上面提到的分水岭算法，而模糊聚类分割算法就很好弥补了这一方面的缺失。模糊聚类是根据事物间的相似性进行区分和分类的过程，它将数据划分为不同组或类的过程，并使同一个组内的数据对象具有较高的相似程度，而且不同组中的数据对象则是不相似。模糊理论算法中最常用的是模糊C-均值聚类算法，模糊C均值聚类（FCM），是用隶属度确定每个数据点属于某个聚类的程度的一种聚类算法。模糊C均值聚类算法的优点是运算简单，收敛比较快，适合处理数据量大的图像，它的缺点是对初始中心很敏感，易陷入局部极小值而难收敛到聚类中心。用模糊C均值处理图像一般采用改进的C均值聚类算法，或者用C均值聚类算法和别的算法结合使用，这样可以扬长避短。S.Chinwaraphat[6]提出改进FCM算法消除由于散射或假的聚类造成不明颜色或像素之间的相似性和等离子体胞质背景。Nipon Theera-Umpon[7]用模糊C均值聚类方法对细胞过份分割，然后再结合形态学对细胞进行开与闭运算去除小孔和平滑边缘。下面图3为此方法自动分割和用手动分割图的比较。聚类算法中还有一个常用的是K均值聚类。EunSang Bak，KayvanNajarian[8]提出K均值聚类算法和自适应阈值分割方法结合使用分割细胞，由实验结果得出分割效果比较好。现在研究人员主要研究是模糊聚类算法如何优化初始中心和如何不陷入局部最小值。

Myeloblast Promylocyte Myelocyte Mctamyclocyte Band PMN

2.4 基于可形变模型的方法

可形变模型最初用来解决计算机视觉和计算机图像的一种方法，但很快就被应用到医学图像细胞处理技术中，如边缘检测，匹配等等。可形变模型可以分为参数可形变模型和几何可形变模型。参数可形变模型就是把研究的曲线或曲面直接表示出来，它可以对模型直接干预，并且可以为快速实时应用提供紧凑的表达形式，但不可以改变模型的拓扑结构。而几何可形变模型容易实现拓扑学的变化，容易空间维数扩展。细胞分割常用的可形变模型有参数型的Snake算法和几何型的水平集算法。传统的可形变模型的缺陷是运算量大，难收敛于凹形区域。Snake模型是通过寻找自身能量函数的极小值，这个值是由内部和外部函数获得，使曲线由初始区域向目标真实轮廓靠近并调整形状以逼近目标轮廓的算法。所以基于参数的活动轮廓算法的缺点是对初始轮廓的要求很高，优点是整个算法就是一个特征提取的过程。一般对参数形轮廓进行改进，一方面会针对获得高质量的初始轮廓进行改进，另一方面对外部能量算法进行改进以便有效指引关键点朝着正确的目标方向运动。杨谊[9]提出基于Snake模型的细胞图像分割新方法研究就是从这两方面分别进行改进的。Farnoosh Sadeghian，Zainina Seman[10]也是先对细胞图像先预处理再用canny算子进行边缘检测，然后才用改进的GVF Snake获取清晰的边缘，如图4。水平集活动轮廓对初始轮廓并不很敏感但它的收敛速度比较慢。传统的水平集分割比较适合分割不粘在一起的细胞，而YayunZhou[11]提出的多相水平集能较好的分割粘连细胞，并提出改进水平集收敛于Mumford-Shah函数以提高收敛速度。

2.5 其它分割方法

除了上面提到的细胞分割算法，还有遗传算法，形态学，区域增长，光谱算法等。

遗传算法是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型，是一种通过模拟自然进化过程搜索最优解的方法。它的优点是有很好的收敛性，计算时间少，鲁棒性。缺点是不可以很好的处理大规模计算量的问题。候振杰，潘新[12]提出一种基于熵的遗传聚类算法。用遗传算法和聚类分析及熵结合分割骨髓细胞。

数学形态学是由一组形态学的代数运算子组成的，它的基本运算有4个：膨胀、腐蚀、开启和闭合，它们在二值图像和灰度图像中各有特点。基于这些基本运算还可推导和组合成各种数学形态学实用算法，用它们可以进行图像形状和结构的分析及处理。孙万蓉，俞卞章[13]提出用形态金字塔分割细胞图像，再用流域算法对低分辨率图像进行分割，然后再复合得到原始图像。

区域增长算法一般和别的算法结合一起使用，单独分割效果很差。王瑞胡[14]提出用自适应曲面多尺度曲面拟合的方法，对腐蚀图像得到的种子区域进行拟合和区域生长。在分水岭算法中有时也用到区域增长算法。由于遗传算法计算量很大而且分割效果不是很好，一般和其它的算法结合使用。

多光谱算法郭宁宁[15][16]提出的多光谱算法和其它算法不同，它更依赖于硬件设备，是一种新颖的分割方法。它把光谱图像看成一个三维的图像表示光谱信息和空间信息，不同的灰度对应不同的波长，得到唯一的光谱曲线。再用支持向量机分割图像。Xuqing Wu，Shishir K.Shah[17]提出自下而上和自上而下的条件随机域模型，它不仅从光谱域来考虑还从空间域考虑分割。

3.多种方法结合

细胞分割的算法有很多，但每种算法都有各自的优缺点，单独用于分割的时候算法均不是很理想。所以现在很多的学者把多种算法结合利用，取其所长，避其所短，这样得到的分割效果就大大的提高，但它的缺点是运算量特别的大。蔡隽[17]提出先用HIS空间中的S饱和度分割细胞核，然后利用连通域标记法得到白细胞个数确定细胞窗再用改进的流域算法得到细胞浆的粗分割并用它作为细胞的初始轮廓，再用改进的GVF算法得到细胞的精确分割。这样子分割出来的细胞准确率高，鲁棒性好但运算时间特别长。Farnoosh Sadeghian，Zainina Seman[9]用canny算子进行边缘检测，然后用GVF Snake获取清晰的边缘，分割细胞质是用zack阈值分割，并且在这算法中还用到形态学里的开与闭运算。J.Cheewatanon，T.Leauhatong[19]提出用mean shift滤波方法去除噪音，保持很好的细胞结构边缘，再用CIE LAB彩色空间用区域增长的方法进行分割，再用活动轮廓提出提取白血细胞的边界。

4.总结与展望

细胞分割的算法有很多，但每种算法都有各自的优缺点，单独用于分割的时候算法均不是很理想。所以现在很多的学者把多种算法结合利用，取其所长，避其所短，这样得到的分割效果就大大的提高，但它的缺点是运算量特别的大。蔡隽[17]提出先用HIS空间中的S饱和度分割细胞核，然后利用连通域标记法得到白细胞个数确定细胞窗再用改进的流域算法得到细胞浆的粗分割并用它作为细胞的初始轮廓，再用改进的GVF算法得到细胞的精确分割。这样子分割出来的细胞准确率高，鲁棒性好但运算时间特别长。Farnoosh Sadeghian，Zainina Seman[8]用canny算子进行边缘检测，然后用GVF Snake获取清晰的边缘，分割细胞质是用zack阈值分割，并且在这算法中还用到形态学里的开与闭运算。J.Cheewatanon，T.Leauhatong[18]提出用mean shift滤波方法去除噪音，保持很好的细胞结构边缘，再用CIE LAB彩色空间用区域增长的方法进行分割，再用活动轮廓提出提取白血细胞的边界。

通过对医学领域白血细胞中常用的图像分割算法比较，系统分析各种算法的优缺点。近年来，许多研究人员致力于研究白血细胞分割算法，并出了很多的研究成果。但由于白血细胞分割本身的困难，至今还没有一种通用算法分割细胞图像。除了细胞结构的复杂性，准确率要求必须很高。虽然细胞分割取得一定的成就，但面对临床应用的准确率还是远远不够的。人们逐渐认识到任何一种算法单独分割都难达到很好的效果，在不断的研究和改进某种算法和创新算法的同时也注重多种算法结合使用，并研究怎么样结合才能突出各自的优点。同时三维甚至多维的彩色图像分割技术也一直受到人们的关注。在彩色图像中能够提取到的信息量比灰度图像更为丰富，有利于后续的研究。近年来由用户参与控制、引导的交互式分割方法技术在医学图像分割中正受到越来越多的人关注。目前人们仍在继续研究更先进的成像技术和更复杂的图像处理算法。

参考文献

[1]柯行斌,王汝传.白细胞图像分割的研究与实现[J].南京邮电学院学报,2003,23(3):53-57.

[2]王任挥.基于最大信息熵原理的显微细胞图像多阈值分割算法[J].内蒙古科技与经济,2010,

18(220):58-61.

[3]马保国,乔玲玲.基于局部自适应阈值的细胞图像分割方法[J].计算机应用研究,2009,26(2):755-756.

[4]谢文娟,段汕.基于改进分水岭算法的细胞图像分割[D].武昌:中南民族大学,2010,5.

[5]包振健,邸书灵.一种基于分水岭变换的细胞图像分割方法[J].计算机工程与应用,2008,7(4):

230-232.

[6]S.Chinwaraphat,A.Sanpanich.A Modified Fuzzy Clustering For White Blood Cell Segmentation[C].The 3rd International Symposium on Biomedical Engineering,2008,356-359.

[7]Nipon Theera-Umpon.Patch-Based White Blood Cell Nucleus Segmentation Using Fuzzy Clustering[J].Electrical Eng,Electronics,And Communications,2005,3(1):15-19.

[8]EunSang Bak,KayvanNajarian.Efficient Segmentation Frame work of cell Images In Noise Environments[J].IEEE,2005,1802-1805.

[9]杨谊.基于Snake模型的细胞图像分割新方法研究[D].广州同和:第一军医大学,2005,4.

[10]Farnoosh Sadeghian,Zainina Seman.A Framework for White Blood Cell Segmentation in Microscopic Blood Images Using Digital Image Proc[J].Biology and Life Sciences,2009,11(2):196-206.

[11]YayunZhou,YuanxinXu等.Cell Segmentation Using Level Set Method[J].Video Engineering,2005(6):36-38.

[12]候振杰,潘新等.一种基于遗传算法的骨髓细胞图像分割方法[J].计算机工程与科学,2006,

28(10):63-66.

[13]孙万蓉,俞卞章.基于数学形态金字塔分解和流域分割的骨髓细胞图像分割[J].西北工业大学学报,2006,24(5):600-605.

[14]王瑞胡.基于多尺度曲面拟合的细胞图像表面分割算法[J].2009,30(17):4041-4044.

[15]NingningGuo,LiboZeng.A method based on multispectral imaging technique for White Blood Cell puters in Biology and Medicine,2006(37):70-76.

[16]宁宁,吴琼水等.一种细胞分割新方法[J].计算机应用研究,2006(3):141-144.

[17]Xuqing Wu,Shishir K.Shah.A bottom-up and top-down model for cell segmentation using multispectral data[J].IEEE,2010,592-595.

[18]蔡隽.彩色白细胞图像自动分割方案研究[D].南京:东南大学,2006,3.